Pengenalan Orientasi Kepala Berbasis Visual untuk Interaksi Navigasi Lingkungan Virtual
LAPORAN TUGAS AKHIR
Disusun sebagai syarat kelulusan tingkat sarjana
oleh:
Ibrahim Arief / 13503038
PROGRAM STUDI INFORMATIKA
SEKOLAH TEKNIK ELEKTRO DAN INFORMATIKA INSTITUT TEKNOLOGI BANDUNG
2008
LEMBAR PENGESAHAN
Program Studi Sarjana Teknik Informatika
PENGENALAN ORIENTASI KEPALA BERBASIS VISUAL UNTUK INTERAKSI NAVIGASI LINGKUNGAN VIRTUAL
Tugas Akhir
Program Studi Sarjana Teknik Informatika ITB
Oleh
Ibrahim Arief / 13503038
Telah disetujui dan disahkan sebagai laporan tugas akhir di Bandung, pada tanggal 30 Juni 2008
Pembimbing
Dr.Ing.Ir. Iping Supriana
NIP. 130 796 173
RINGKASAN
Simulasi lingkungan virtual tiga dimensi merupakan salah satu pemanfaatan komputer yang membutuhkan banyak interaksi antara pengguna dengan komputer. Dari berbagai jenis interaksi antara pengguna dengan lingkungan virtual, dukungan terhadap interaksi navigasi yang baik sangat penting untuk meningkatkan produktivitas dan kenyamanan pengguna.
Dalam tugas akhir ini, dikembangkan sebuah sistem pengenalan orientasi kepala dengan memanfaatkan citra wajah yang ditangkap oleh sebuah sensor visual untuk keperluan navigasi lingkungan virtual. Pengenalan dilakukan dengan menggunakan dua macam jaringan saraf tiruan yang sudah dilatih dengan 2.740 citra wajah yang terdiri atas berbagai macam orientasi. Masing-masing jaringan saraf tiruan melakukan pengenalan orientasi untuk satu sumbu saja, horisontal dan vertikal. Pemrosesan awal yang dilakukan dalam sistem ini antara lain adalah isolasi citra wajah dari citra keseluruhan dengan menggunakan algoritma pendeteksian warna kulit, serta operasi normalisasi dan pengenalan sisi citra untuk meningkatkan akurasi pengenalan orientasi kepala.
Dengan menggunakan kriteria pengelompokan orientasi kepala menjadi tiga kelas diskrit seperti kiri, tengah, dan kanan, sistem pengenalan orientasi kepala dapat mencapai tingkat akurasi 91,46% untuk pengenalan orientasi horisontal dan 85,88% untuk pengenalan orientasi vertikal. Selain itu, proses isolasi wajah mencapai tingkat akurasi sebesar 98,2%. Hasil pengenalan orientasi kepala tersebut lalu digunakan sebagai data navigasi dalam lingkungan virtual. Pengujian navigasi lingkungan virtual dengan menggunakan sistem ini mencapai hasil yang relatif baik.
Kata kunci : virtual environment navigation, head pose recognition, neural
network
KATA PENGANTAR
Puji syukur ke hadirat Allah SWT. Dengan rahmat dan bimbingan-Nya, penulis dapat menyelesaikan tugas akhir dengan judul ”Pengenalan Orientasi Kepala Berbasis Visual untuk Interaksi Navigasi Lingkungan Virtual” dengan baik.
Pada kesempatan ini penulis ingin mengucapkan terima kasih yang sebesar- besarnya pada:
1. Bapak Dr. Ing. Ir. Iping Supriana sebagai pembimbing Tugas Akhir, atas segala bantuan, pengalaman, bimbingan, dan pengetahuan yang sangat berharga selama pelaksanaan Tugas Akhir.
2. Ibu Dr. Eng. Ayu Purwarianti, S.T., M.T. atas segala kritik, saran, dan bimbingan yang diberikan selaku penguji seminar, prasidang, dan sidang Tugas Akhir.
3. Ibu Masayu Leylia Khodra, S.T., M.T. atas segala kritik, saran, dan bimbingan yang diberikan selaku penguji sidang Tugas Akhir penulis.
4. Ibu Nur Ulfa Maulidevi, S.T., M.Sc. atas segala kritik dan saran yang diberikan selaku penguji presentasi proposal Tugas Akhir.
5. Prof. Dr. Paul Grimm dan M. Yudha Kuntjoro, S.T., M.Sc., selaku dosen pembimbing selama pertukaran riset di Fachhochschule Erfurt, atas bimbingan dan kesempatan menimba pengalaman berharga yang diberikan.
6. Indah Kuntum Khairina, atas dorongan semangat dan kenangan-kenangan indah yang tidak tergantikan selama dua tahun terakhir di ITB.
7. Sahabat-sahabat di KMS dan KMD, Adit, Akbar, Andhika, Budiono, Fajar, Firman, Gilang, Okta, Reinhard, Rian, Rika, Riza, Simon, Septa, Sonny, Weno, dan Yudi, atas semua tawa dan tangis dalam empat tahun kebersamaan, yang memberikan arti persahabatan sejati bagi penulis.
8. Sahabat Andreas Kotter, atas dukungan semangat dan nasihat bijak selama masa-masa pengerjaan tugas akhir yang penulis lakukan di Jerman.
9. Sahabat-sahabat di HMIF’04, Abigael, Zakka, Tania, Simon, Ajen, Ebhe,
Dyah, Echa, Ratih, Sapla, Peppi, Bhimantyo, Anda, Kuchay, Dila, Sherbay,
Mira, Ilham, Cathy, Paul, Fitra, Fitri, Ivan, Anne, Zamak, Olip, Herianto, dan nama-nama lain yang karena keterbatasan tempat tidak muat dicantumkan dalam kata pengantar ini, namun selalu dikenang di hati penulis atas perjuangan, kebersamaan, dan masa-masa menyenangkan yang tidak ternilai harganya.
10. Para teman seperjuangan di Sangkuriang Studio, atas dorongan, kebersamaan, dan pengertian yang diberikan selama pelaksanaan Tugas Akhir penulis.
11. Seluruh dukun Lab GAIB, Felix, Victor, Def, Rika, Pram, Riza, Ririn, Mia, Masykur, Ibi, Ella, Depe, Ahe, Teguh, dan makhluk-makhluk lainnya, atas bantuan, dorongan, diskusi, kolaborasi, dan masa-masa bersama yang dilalui di Lab.
12. Seluruh teman-teman IF’03, atas seluruh kenangan, tawa, tangis, dan pengalaman yang diberikan.
Di atas semua itu, penulis ingin memberikan rasa syukur dan terima kasih yang sangat mendalam pada Papa, Mama, dan Kakak tercinta atas seluruh doa, kepercayaan, dan dukungan yang tidak ada habisnya.
Akhir kata, penulis menyadari bahwa Tugas Akhir ini masih memiliki banyak kekurangan, karena itu penulis berharap generasi-generasi berikutnya dapat memberikan saran, masukan, kritik, dan pengembangan agar Tugas Akhir ini bagaikan tunas rimbun yang dipupuk oleh pengetahuan intelektual agar dapat menghasilkan buah pemikiran yang berguna bagi masyarakat dan bangsa.
Bandung, 25 Juni 2008
Penulis
DAFTAR ISI
LEMBAR PENGESAHAN ... i
RINGKASAN ... ii
KATA PENGANTAR ... iii
DAFTAR ISI... v
DAFTAR GAMBAR ... viii
DAFTAR TABEL... ix
DAFTAR ALGORITMA... x
DAFTAR ISTILAH ... xi
BAB I PENDAHULUAN ...I-1
I.1 Latar Belakang ...I-1
I.2 Rumusan Masalah ...I-2
I.3 Tujuan...I-3
I.4 Batasan Masalah ...I-3
I.5 Metodologi ...I-4
I.6 Sistematika Pembahasan ...I-6
BAB II LANDASAN TEORI ...II-1
II.1 Lingkungan Virtual ...II-1
II.1.1 Definisi Lingkungan Virtual ...II-1
II.1.2 Navigasi Lingkungan Virtual...II-1
II.1.3 Derajat Kebebasan ...II-2
II.1.4 Metode Navigasi ...II-2
II.2 Pengenalan Isyarat Orientasi Kepala...II-4
II.2.1 Definisi Isyarat Kepala...II-4
II.2.2 Pendekatan Berbasis Visual ...II-4
II.2.3 Pendekatan Berbasis Model ...II-4
II.2.4 Perbandingan Kedua Pendekatan ...II-5
II.3 Pendeteksian Citra Wajah ...II-7
II.3.1 Pengenalan Warna Kulit ...II-7
II.4 Jaringan Saraf Tiruan ...II-7
II.4.1 Definisi Jaringan Saraf Tiruan ...II-7
II.4.2 Pelatihan Jaringan Saraf Tiruan ...II-9
II.5 Latar Belakang Pengujian dalam Related Work...II-10
BAB III ANALISIS ... III-1
III.1 Analisis Navigasi Lingkungan Virtual... III-1
III.2 Analisis Isyarat yang Digunakan ... III-2
III.3 Analisis Pengenalan Isyarat Kepala ... III-3
III.3.1 Pendekatan Berbasis Visual ... III-3
III.3.2 Deskripsi Jaringan Saraf Tiruan Pengenalan ... III-4
III.3.3 Pelatihan Jaringan Saraf Tiruan ... III-6
III.3.4 Basis Data Citra Yang Digunakan untuk Pelatihan ... III-7
III.4 Pemrosesan Awal Citra Masukan ... III-8
III.4.1 Ekstraksi Citra Wajah ... III-8
III.4.2 Pengenalan Warna Kulit ... III-9
III.4.3 Batasan Citra untuk Ekstraksi Wajah... III-13
III.5 Pengenalan oleh Jaringan Saraf Tiruan... III-14
III.6 Eksplorasi terhadap Berbagai Alternatif Pendekatan... III-16
III.6.1 Eksplorasi Pendekatan Berbasis Model ... III-16
III.6.2 Eksplorasi Pengenalan Kulit Berdasar Model Statistik ... III-18
BAB IV PERANCANGAN ... IV-1
IV.1 Perangkat Keras yang Dibutuhkan Sistem... IV-1
IV.2 Rancangan Perangkat Lunak Sistem... IV-2
IV.2.1 Deskripsi Komponen... IV-2
IV.2.2 Rancangan Tampilan Sistem... IV-3
IV.2.3 Komponen Pemrosesan Citra... IV-4
IV.2.4 Komponen Jaringan Saraf Tiruan ... IV-6
IV.2.5 Komponen Lingkungan Virtual ... IV-7
IV.2.6 Komponen GUI Manager... IV-8
IV.2.7 Rancangan Integrasi Sistem ... IV-8
IV.3 Rancangan Fungsionalitas Sistem... IV-9
BAB V IMPLEMENTASI DAN PENGUJIAN ... V-1
V.1 Implementasi ... V-1
V.1.1 Spesifikasi Lingkungan Implementasi ... V-1
V.1.2 Batasan Implementasi ... V-2
V.1.3 Implementasi Kelas ... V-4
V.1.4 Implementasi Teknik Pengenalan Orientasi Kepala ... V-5
V.1.5 Implementasi Antar Muka... V-8
V.1.6 Implementasi Navigasi dalam Lingkungan Virtual ... V-11
V.2 Pengujian ... V-11
V.2.1 Tujuan Pengujian ... V-11
V.2.2 Lingkungan Pengujian ... V-12
V.2.3 Data Pengujian ... V-12
V.2.4 Skenario dan Hasil Pengujian Fungsionalitas ... V-13
V.2.5 Skenario dan Hasil Pengujian Akurasi Pengenalan Wajah... V-15
V.2.6 Skenario Pengujian Akurasi Pengenalan Orientasi Kepala ... V-16
V.2.7 Hasil Pengujian Akurasi Pengenalan Orientasi Kepala ... V-18
V.2.8 Perbandingan dengan Related Work ... V-22
BAB VI PENUTUP ... VI-1
VI.1 Kesimpulan ... VI-1
VI.2 Saran... VI-1
DAFTAR REFERENSI ... xiii
LAMPIRAN A HASIL PENGUJIAN ALTERNATIF KRITERIA... A-1
DAFTAR GAMBAR
Gambar II-1 Tiga Derajat Kebebasan Translasi [BIR07] ... II-2 Gambar II-2 Pengaruh Kebebasan Vertikal Terhadap Lingkungan Virtual [MUR95] ... II-3 Gambar II-3 Citra Wajah Berbasis Visual (Kiri) [STI04] dan Model (Kanan) [STI96] ... II-6 Gambar II-4 Contoh Jaringan Saraf Tiruan Tiga Lapisan... II-8 Gambar II-5 Contoh Pemrosesan Awal Citra dalam [STI04] ... II-11 Gambar III-1 Dua Derajat Kebebasan yang Didukung pada Lingkungan Virtual [HUB01] ....III-1 Gambar III-2 Contoh Hasil Klasifikasi Jaringan Saraf Tiruan Berdasar Citra Masukan ...III-5 Gambar III-3 Contoh Citra Wajah dalam Pointing ’04 Head Pose Image Database [GOU04]III-7 Gambar III-4 Contoh Ekstraksi Wajah untuk Menghilangkan Citra Tidak Relevan...III-8 Gambar III-5 Contoh Ekstraksi Wajah untuk Menghasilkan Citra dengan Ukuran Invarian....III-9 Gambar III-6 Contoh Konversi Citra Wajah dari Ruang-Warna RGB ke YCrCb ...III-9 Gambar III-7 Contoh Pengenalan Warna Kulit dari Citra dalam Ruang-Warna YCrCb ...III-10 Gambar III-8 Contoh Penghilangan Area Warna Kulit dengan Luas <5000 Pixel ...III-11 Gambar III-9 Contoh Citra Asli dengan Wajah yang Telah Terdeteksi ...III-11 Gambar III-10 Contoh Pengecilan Citra Wajah untuk Masukan Jaringan Saraf Tiruan ...III-12 Gambar III-11 Contoh Hasil Operasi Konversi Grayscale dan Normalisasi Histogram...III-12 Gambar III-12 Contoh Operasi Pendeteksian Sisi Horisontal dan Vertikal ...III-13 Gambar III-13 Contoh Kesalahan Ekstraksi Wajah Karena Warna Rambut...III-13 Gambar III-14 Contoh Kesalahan Ekstraksi Wajah Karena Warna Pakaian...III-14 Gambar III-15 Contoh Konversi Citra Greyscale Menjadi Kumpulan Bilangan Pecahan...III-15 Gambar III-16 Korespondensi Keluaran Jaringan Saraf Tiruan dengan Orientasi Vertikal ...III-15 Gambar III-17 Korespondensi Keluaran Jaringan Saraf Tiruan dengan Orientasi Horisontal ..III-16 Gambar III-18 Contoh Citra Wajah dengan Fitur yang Sudah Dikenali dalam [STI96]...III-16 Gambar III-19 Contoh Pengenalan Pupil Mata dalam [STI96]...III-17 Gambar III-20 Contoh Pengenalan Fitur Pupil Mata dengan Sensor Video Sendiri ...III-18 Gambar III-21 Contoh Citra Warna Kulit dari Pointing’04 Head Pose Image Database...III-19 Gambar III-22 Contoh Hasil Pengenalan Warna Kulit Dengan Pendekatan Model Statistik ...III-19 Gambar III-23 Contoh Kesalahan Pengenalan Wajah Karena Pencahayaan Terlalu Terang ....III-20 Gambar III-24 Contoh Kesalahan Pengambilan Sampel Warna Kulit ...III-20 Gambar IV-1 Contoh Webcam yang Digunakan Dalam Sistem... IV-1 Gambar IV-2 Contoh Citra Tangkapan Webcam yang Digunakan Dalam Sistem ... IV-1 Gambar IV-3 Keterhubungan Komponen Bagian Perangkat Lunak dari Sistem ... IV-2 Gambar IV-4 Rancangan Tampilan Sistem ... IV-3 Gambar IV-5 Operasi Edge Detection dalam OpenCV... IV-5 Gambar IV-6 GUI Fast Artificial Neural Network... IV-6 Gambar V-1 Contoh Pencahayaan dari Samping ...V-2 Gambar V-2 Contoh Pencahayaan dari Belakang yang Terlalu Kuat ...V-3 Gambar V-3 Contoh Pencahayaan Tidak Konstan...V-3 Gambar V-4 Contoh Pose Miring Kepala Pengguna ...V-4 Gambar V-5 Contoh Masukan NeuralNetBasicTechnique ...V-6 Gambar V-6 Contoh Masukan NeuralNetEdgeTechnique ...V-7 Gambar V-7 Urutan Panel Citra yang Diimplementasikan ...V-9 Gambar V-8 Tampilan Sistem dalam Pengenalan Orientasi Arah Kanan...V-9 Gambar V-9 Tampilan Sistem dalam Pengenalan Orientasi Arah Kiri...V-10 Gambar V-10 Tampilan Sistem dalam Pengenalan Orientasi Arah Atas...V-10 Gambar V-11 Tampilan Sistem dalam Pengenalan Orientasi Arah Bawah ...V-11 Gambar V-12 Tampilan Jalan yang Digunakan dalam Pengujian Fungsionalitas ...V-13 Gambar V-13 Contoh Kesalahan dari Hasil Pengujian Pengenalan Wajah ...V-15
DAFTAR TABEL
Tabel II.1-1 Metode Navigasi Dua Derajat Kebebasan ... II-3 Tabel II.2-1 Perbandingan Resolusi Citra Wajah Kedua Pendekatan ... II-6 Tabel II.4-1 Perbandingan Resolusi Citra Wajah Kedua Pendekatan ... II-9 Tabel III.1-1 Derjat Kebebasan yang Didukung dalam Lingkungan Virtual ...III-2 Tabel III.3-1 Perbandingan Tingkat Kesalahan Orientasi Vertikal dan Horisontal...III-3 Tabel III.3-2 Kelas Tujuan Klasifikasi Jaringan Saraf Tiruan ...III-4 Tabel III.3-3 Jumlah Sel dalam Jaringan Saraf Tiruan...III-6 Tabel III.3-4 Derajat Orientasi dalam Pointing ’04 Head Pose Image Database ...III-7 Tabel III.4-1 Kriteria Sebuah Piksel Termasuk Ke Dalam Warna Kulit...III-10 Tabel IV.2-1 Komponen dalam Bagian Perangkat Lunak dari Sistem... IV-2 Tabel IV.2-2 Fungsionalitas Komponen Pemrosesan Citra... IV-5 Tabel IV.2-3 Fungsionalitas Komponen Jaringan Saraf Tiruan ... IV-7 Tabel IV.2-4 Fungsionalitas Komponen Lingkungan Virtual ... IV-8 Tabel IV.2-5 Fungsionalitas Komponen GUI Manager ... IV-8 Tabel IV.2-6 Daftar Kelas dalam Rancangan Terintegrasi... IV-9 Tabel IV.3-1 Rancangan Fungsionalitas Sistem... IV-10 Tabel V.1-1 Spesifikasi Perangkat Keras...V-1 Tabel V.1-2 Spesifikasi Perangkat Lunak ...V-1 Tabel V.1-3 Daftar Implementasi Kelas...V-4 Tabel V.1-4 Daftar Library Tambahan...V-5 Tabel V.1-5 Interpretasi Orientasi Kepala dari Nilai Keluaran NeuralNetBasicTechnique...V-7 Tabel V.1-6 Interpretasi Orientasi Kepala dari Nilai Keluaran NeuralNetEdgeTechnique ...V-8 Tabel V.1-7 Perbedaan Arsitektur Jaringan Saraf Tiruan Antara Teknik Implementasi...V-8 Tabel V.1-8 Perubahan Posisi dan Orientasi Terhadap Perintah Navigasi...V-11 Tabel V.2-1 Skenario Pengujian Fungsionalitas ...V-14 Tabel V.2-4 Hasil Pengujian Fungsionalitas ...V-14 Tabel V.2-2 Alternatif Kriteria Pengelompokan Nilai Pengenalan Orientasi Horisontal ...V-18 Tabel V.2-3 Alternatif Kriteria Pengelompokan Nilai Pengenalan Orientasi Vertikal ...V-18 Tabel V.2-5 Perbandingan Hasil Pengujian Akurasi antara Teknik Implementasi ...V-18 Tabel V.2-5 Perbandingan Hasil Pengujian Akurasi antara Data Masukan Bersih dan Tidak.V-19 Tabel V.2-7 Rekapitulasi Pengujian Alternatif Kriteria Pengenalan Orientasi Kepala...V-20 Tabel V.2-8 Kriteria Pengelompokan yang Digunakan dalam Sistem...V-20 Tabel V.2-9 Hasil Pengujian Pengenalan Orientasi Horisontal Kriteria A ...V-21 Tabel V.2-10 Hasil Pengujian Pengenalan Orientasi Vertikal Kriteria A ...V-22 Tabel V.2-11 Confusion Matrix untuk Klasifikasi Orientasi Kepala Vertikal [STI04]...V-22 Tabel V.2-12 Confusion Matrix untuk Klasifikasi Orientasi Kepala Horisontal [STI04]...V-23 Tabel V.2-13 Perbandingan Akurasi Sistem dalam Tugas Akhir dengan [STI04] ...V-23 Tabel A-1 Hasil Pengujian Pengenalan Orientasi Horisontal Alternatif A ...A-1 Tabel A-2 Hasil Pengujian Pengenalan Orientasi Horisontal Alternatif B ...A-1 Tabel A-3 Hasil Pengujian Pengenalan Orientasi Horisontal Alternatif C ...A-2 Tabel A-4 Hasil Pengujian Pengenalan Orientasi Horisontal Alternatif D ...A-2 Tabel A-5 Hasil Pengujian Pengenalan Orientasi Horisontal Alternatif E...A-2 Tabel A-6 Hasil Pengujian Pengenalan Orientasi Vertikal Alternatif A ...A-3 Tabel A-7 Hasil Pengujian Pengenalan Orientasi Vertikal Alternatif B ...A-3 Tabel A-8 Hasil Pengujian Pengenalan Orientasi Vertikal Alternatif C ...A-3 Tabel A-9 Hasil Pengujian Pengenalan Orientasi Vertikal Alternatif D ...A-3
DAFTAR ALGORITMA
Algoritma V-1 Alur Eksekusi Pengenalan dalam Sistem...V-6
DAFTAR ISTILAH
Istilah Definisi
Back-Propagation Algoritma pelatihan jaringan saraf tiruan
Binary Threshold Operasi citra yang menghasilkan citra hitam-putih menurut kriteria tertentu
Classifier Sebuah komponen yang bertugas mengklasifikasikan data masukan menjadi beberapa kelas tujuan.
Confusion Matrix Matriks yang membandingkan antara hasil klasifikasi sebuah classifier dengan target klasifikasi yang seharusnya dihasilkan.
Edge Detection Operasi pendeteksian sisi-sisi dari sebuah citra.
Equalization Operasi untuk menonjolkan fitur-fitur dalam sebuah citra.
Frame per Second Satuan jumlah citra yang bisa ditangkap sensor video dengan interval tertentu dalam rentang waktu satu detik.
Gesture Isyarat
Graphics Rendering Engine Komponen perangkat lunak yang berperan untuk melakukan penggambaran objek-objek ke layar monitor
Grayscale Citra yang hanya terdiri dari satu warna dan digambarkan dalam warna di antara putih, abu-abu, dan hitam.
Head Gesture Isyarat yang dilakukan oleh kepala pengguna
Interface Antar muka sistem yang digunakan pengguna untuk melihat hasil pemrosesan sistem
Keyboard Papan ketik sebagai alat masukan komputer
Library Komponen perangkat lunak yang menyediakan fungsionalitas tertentu
Look Around Mode navigasi melihat ke sekeliling
Maximum Epoch Jumlah iterasi maksimal dari pelatihan jaringan saraf tiruan Megapixel Satuan satu juta pixel
Motion Pergerakan
Mouse Alat penunjuk sebagai alat masukan komputer
Move Mode navigasi mencari arah yang hendak dituju dan bergerak ke depan
Noise Data tidak relevan yang mengganggu proses pelatihan Open Source Jenis lisensi program yang memberikan kebebasan untuk
menggunakan dan mengubah kode sumber tanpa harus membayar Overfitting Kondisi pelatihan yang terlalu mengikuti data pelatihan dan tidak
memiliki performansi yang bagus dibandingkan data pengujian Pan Mode navigasi bergerak ke depan, belakang, atau samping tanpa
mengubah arah pandangan
Istilah Definisi
Pixel Elemen citra dalam gambar, direpresentasikan sebagai satu titik dengan warna tertentu
Plugin Komponen tambahan dari sebuah perangkat lunak yang memberikan fungsionalitas yang sebelumnya tidak disediakan Real-Time Pemrosesan perangkat lunak yang dilakukan dalam waktu cepat
sehingga pengguna merasa program berjalan sesuai waktu asli Related Work Pekerjaan yang terkait dengan sistem yang dikembangkan
Roll Rotasi dalam sumbu Z
Runtime Berkaitan dengan saat program sudah dieksekusi dan berjalan Six-Degrees of Freedom Enam pergerakan yang dimungkinkan dalam sebuah lingkungan
virtual
Virtual Environment Lingkungan virtual Virtual Reality Realitas virtual
Wayfinding Proses pencarian arah dan jalur untuk menuju sebuah titik tujuan Webcam Sensor video untuk menangkap citra dan dapat digunakan untuk
menampilkan citra tersebut lewat jaringan
Yaw Rotasi dalam sumbu Y
